谷歌提出Harness²，使Agent能在无标准答案的开放任务中递归地自我改进Harness。该方法采用双层递归：任务级通过“提出—探测—合成”流程，依据同一任务下的行为对照而非真值来判断改动；Harness级将有证据支持的改进存入可复用的改进库。单步改进在4种配置、3个基准上均带来提升，GLM-5在WorkBuddy上平均提升11.5分，弱模型受益更大。消融实验表明改进库、范围划分与合成均有贡献。局限在于行为对照不等于正确性验证，且改进本身存在成本。